Jul, 2020

NestFuse: 一种基于嵌套连接和空间 / 通道注意力模型的红外和可见光图像融合架构

PDF
TL;DR本文提出了一种多尺度的红外和可见光图像融合方法，其中采用了空间 / 通道注意力模型，实现了基于嵌套连接网络的图像融合。实验表明，所提出的方法比其他最先进的方法具有更好的融合性能。
infraredvisibleimage fusionattention modelsmultiscale
发现论文，激发创造
  • RFN-Nest：一种红外与可见光图像端到端残差融合网络

    本研究为解决图像融合设计中的策略选择难题，提出一种基于深度学习的残差融合网络（RFN-Nest）以及两种新的损失函数，并通过创新的两阶段训练策略训练模型。实验结果表明，相较于现有方法，该端到端融合网络在主观和客观评估中表现更佳。

    Mar, 2021

  • DenseFuse：红外与可见光图像的融合方法

    本文介绍了一种新的深度学习架构，用于红外和可见图像融合问题。相对于常规卷积网络，我们的编码网络由卷积层，融合层和稠密块组合而成，其中每个层的输出与每个其他层相连。我们尝试使用这种架构从源图像中获得更有用的特征。并且设计了两个融合层（融合策略）来融合这些特征。最后，使用解码器重建融合图像。与现有的融合方法相比，所提出的融合方法在客观和主观评估方面均取得了最先进的性能。代码和预训练模型可在此 https URL 上获得。

    Apr, 2018

  • 基于空间 - 通道注意机制的红外与可见光图像融合

    通过使用多个卷积核和注意力机制，我们提出了 AMFusionNet，一种创新的红外和可见图像融合方法，通过吸收红外图像的热力细节和可见源的纹理特征，我们的方法生成了丰富信息的图像。实验证明，我们的方法在质量和数量上优于现有的算法，并且公开可用数据集上的性能指标也显示了显著的改进。

    Aug, 2023

  • DIDFuse: 基于深度图像分解的红外和可见光图像融合

    本文提出一种基于自编码器的图像融合网络，通过分解图像特征，实现融合的可靠性和细节纹理信息的丰富性，取得了较好的实验效果和鲁棒性。

    Mar, 2020

  • 基于深度学习框架的红外和可见光图像融合

    本文提出了一种基于深度学习框架的有效图像融合方法，该方法能够将红外图像和可见光图像的所有特征生成单个图像。实验结果表明，该方法在客观评估和视觉质量方面均达到了最先进的性能。

    Apr, 2018

  • CrossFuse：一种基于交叉注意力机制的红外和可见光图像融合新方法

    提出了一种新颖的跨模态注意机制（CAM）来增强互补信息，并提出了基于两阶段训练策略的融合方案，实验结果表明我们提出的融合方法在融合网络中获得了 SOTA 级别的性能。

    Jun, 2024

  • 超越夜间可见性：红外和可见光图像的自适应多尺度融合

    提出了一种自适应多尺度融合网络（AMFusion），通过红外和可见图像的融合规则，分别调整光照分布和提高检测准确性，从而实现针对夜晚物体检测的性能提升。

    Mar, 2024

  • SimpleFusion：红外和可见光图像的简单融合框架

    将可见光和红外图像融合成一幅高质量图像是许多下游视觉任务中具有挑战性但关键的任务。本文提出了一种简单而有效的可见光和红外图像融合框架 SimpleFusion。该框架通过 Retinex 理论将可见光和红外图像分解成反射和光照部分，并进行相应元素的融合。整个框架采用两个简单的卷积神经网络设计，无需降采样，能够高效地执行图像分解和融合。此外，我们引入了分解损失和细节到语义损失来保留两种模态之间的互补信息进行融合。通过在具有挑战性的基准测试上进行广泛实验，验证了我们方法在之前最先进方法上的优越性。

    Jun, 2024

  • 红外和可见光图像融合的多尺度信息融合框架

    我们提出了一种多尺度双注意 (MDA) 框架，用于红外和可见光图像融合，在图像和块级别测量和整合互补信息，并通过损失函数在结构和特征级别进行融合。

    Dec, 2023

  • 红外和可见光图像的贝叶斯融合

    利用贝叶斯融合模型，运用 EM 算法，对红外图像和可见光图像进行融合，通过加入 total-variation penalty 来增强目标的自动检测和识别系统，从而得到具有更丰富细节和高光目标的融合图像。

    May, 2020